RLHF
Концепция
Обучение и инференс
Reinforcement learning from human feedback — the technique behind ChatGPT's manners.
Перед вами запись-пояснение к понятию: что этот термин означает простыми словами и какие записи он объединяет.
RLHF trains a reward model from human preference comparisons, then optimizes the language model against it. Introduced at scale by InstructGPT (2022), it is why assistants follow instructions and refuse harm — and its quirks (sycophancy, reward hacking) drive research into alternatives like constitutional AI and direct preference optimization.
Место в общей экосистеме
Ссылки этой записи с первого взгляда — нажмите на группу, чтобы перейти к ней.
Представлено
На основе
Источники
Запись актуальна на 2026-01-15 — смотреть Методология.